Fugu-MT 論文翻訳(概要): Infant hip screening using multi-class ultrasound scan segmentation

論文の概要: Infant hip screening using multi-class ultrasound scan segmentation

arxiv url: http://arxiv.org/abs/2211.04350v1
Date: Tue, 8 Nov 2022 16:16:23 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 17:04:08.840573
Title: Infant hip screening using multi-class ultrasound scan segmentation
Title（参考訳）: 多クラス超音波スキャンによる乳幼児の股関節スクリーニング
Authors: Andrew Stamper and Abhinav Singh and James McCouat and Irina Voiculescu
Abstract要約: 乳児の股関節異形成症(DDH)は,大腿骨頭が誤って股関節内に位置している状態である。本稿では、超音波画像中の鍵構造をセグメント化するための深層学習アルゴリズムを提案し、これをFHC(Femoral Head Coverage)の計算に利用し、DDHのスクリーニング診断を行う。
参考スコア（独自算出の注目度）: 0.0688204255655161
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Developmental dysplasia of the hip (DDH) is a condition in infants where the femoral head is incorrectly located in the hip joint. We propose a deep learning algorithm for segmenting key structures within ultrasound images, employing this to calculate Femoral Head Coverage (FHC) and provide a screening diagnosis for DDH. To our knowledge, this is the first study to automate FHC calculation for DDH screening. Our algorithm outperforms the international state of the art, agreeing with expert clinicians on 89.8% of our test images.
Abstract（参考訳）: 乳児の股関節の発達性異形成(DDH)は,大腿骨頭が誤って股関節内に位置している状態である。超音波画像中のキー構造を分割する深層学習アルゴリズムを提案し,これを用いて大腿骨頭蓋被覆率(fhc)を算出し,ddhのスクリーニング診断を行う。我々の知る限り、DDHスクリーニングのためのFHC計算を自動化する最初の研究である。我々のアルゴリズムは、テスト画像の89.8%で専門家臨床医と合意し、国際的な最先端技術を上回る。

関連論文リスト

Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。これにより3次元広視野CTスキャンが主流となる可能性がある。
論文参考訳（メタデータ） (2022-10-13T01:51:29Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep Learning Model For The Accurate Caliper Placement To Obtain Sonographic Measurements Of The Fetal Brain [0.0]
経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。 U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
論文参考訳（メタデータ） (2022-03-28T04:00:22Z)
3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文参考訳（メタデータ） (2021-12-18T17:05:53Z)
Detecting Hypo-plastic Left Heart Syndrome in Fetal Ultrasound via Disease-specific Atlas Maps [18.37280146564769]
低形成性左心症候群の自動診断のための解釈可能なアトラス・ラーニング・セグメンテーション法を提案する。本稿では,最近導入された画像・空間トランスフォーマーネットワーク(Atlas-ISTN)を,感作アトラスの病原体生成を可能にするフレームワークに拡張することを提案する。
論文参考訳（メタデータ） (2021-07-06T14:31:19Z)
Convolutional neural networks for automatic detection of Focal Cortical Dysplasia [59.034649152318224]
葉性皮質異形成症(FCD)は,皮質発達異常に関連する最も一般的なてんかん性病変の1つである。近年のディープラーニングを用いたFCD検出法は15名のラベル付きFCD患者のデータセットに適用されている。その結果, 被験者15名中11名に対してFCDの検出に成功した。
論文参考訳（メタデータ） (2020-10-20T15:30:37Z)
Automated Detection of Congenital Heart Disease in Fetal Ultrasound Screening [7.496518691842825]
自動データキュレーションと分類のためのパイプラインを提案する。我々は、補助的な視点分類タスクを利用して、関連する心構造に対する特徴をバイアスする。このバイアスは健康クラスとCHDクラスでそれぞれ0.72と0.77から0.87と0.85にF1スコアを改善するのに役立つ。
論文参考訳（メタデータ） (2020-08-16T17:53:41Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)
Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文参考訳（メタデータ） (2020-04-28T14:43:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。